发表时间：2020（NeurIPS 2020）
文章要点：目前主流的offline RL的方法都是model free的，这类方法通常需要将policy限制到data覆盖的集合范围里（support），不能泛化到没见过的状态上。作者提出Model-based Offline Policy Optimization (MOPO)算法,用model based的方法来做offline RL，同时通过给reward添加惩罚项（soft reward penalty）来描述环境转移的不确定性（applying them with rewards artificially penalized by the uncertainty of the dynamics.）这种方式相当于在泛化性和风险之间做tradeoff。作者的意思是，这种方式允许算法为了更好的泛化性而承担一定风险（policy is allowed to take a few risky actions and then return to the confident area near the behavioral distribution without being terminated）。具体做法就是，先根据data去学一堆状态转移函数，这个函数是一个用神经网络表示的关于状态和reward的高斯分布
有了这个之后，就要在原始reward上添加penalty，添加方式是找这堆dynamics里面最大的协方差的范数，然后reward变成
然后model和reward都有了，就直接上强化算法就好了，文章里用的是SAC。
总结：虽然中间推了几个公式，说了一下bound，但是最后落实下来其实就是在reward上加了一个uncertainty的penalty的估计，而且作者也说了this estimator lacks theoretical guarantee。就主要还是看效果吧。
疑问：reward penalty里面的F应该是矩阵的Frobenius范数吧?